Systeme für CRM oder Marketing Automation von der Evaluierung bis zum Golive datenqualitätsbewusst einführen

Für die Einführung eines neuen CRM- oder Marketing Automation-Systems wenden Unternehmen viel Zeit auf. Häufigster Fehler: das Pferd wurde „von hinten aufgezäumt“! Qualitativ schlechte Daten und fehlende Prozesse bremsen das neue System aus. Für Erfolg ist die richtige Reihenfolge entscheidend: Daten-Prozesse-Lösung!

Hohe Datenqualität als Fanal

Die Hoffnung, die Einführung einer neuen Softwarelösung – Marketing Automation für das Marketing, CRM für den Vertrieb – sei Ausgangspunkt für „Kunden auf Knopfdruck“, erweist sich in vielen Fällen als Irrweg. Voraussetzung für Erfolg in Marketing und Vertrieb in Zeiten der Digitalisierung ist es, die im Unternehmen verfügbaren Kontaktdaten plattform- und systemübergreifend zu einem Golden Record zu aggregieren, der einen abteilungsübergreifenden 360-Grad-Blick auf den Kunden ermöglicht. Erst dann ist ein Unternehmen in der Lage, valide und nachhaltige Aussagen für die Konzeption und Umsetzung kundenorientierter Marketing- und Vertriebskampagnen zu treffen.
 

Konkrete Ziele fest im Blick

Wollen Unternehmen Kundengewinnung und -bindung stärken, verfolgen sie mit Einführung einer neuen Lösung für CRM oder Marketing Automation meist diese drei Ziele:

1. Umsatz steigern
2. Kosten senken
3. Risiken reduzieren

Marketing- und Vertriebsverantwortliche wünschen sich in diesem Zusammenhang den sprichwörtlichen „Kunden auf Knopfdruck“. Diese konkreten Schmerzpunkte möchten sie gelöst wissen:

• - Erstellen einer zentralen Kontakt-/Kundendatenbank mit einem möglichst umfassenden Kontakt-/Kundenprofil
• - Überblick über alle Beziehungen/Verbindungen mit/zum Kontakt/Kunden
• - Möglichkeit, das Lead-/Kundenpotential des Kontakts zu erfassen bzw. zu bewerten
• - Kontakte in Kunden konvertieren

Mit den heutigen CRM- und Marketing Automation-Systemen scheint die Vision vom „Kunden auf Knopfdruck“ realisierbar zu sein. Dies gilt insbesondere für Branchen und Geschäftsmodelle, bei denen ein persönlicher Kundenkontakt für den Geschäftsabschluss überhaupt nicht mehr notwendig ist (E-Commerce, digitale Informationsprodukte, E-Learning, Cloud-Software, u.v.m.).

Falsche Reihenfolge

Viele Unternehmen erreichen nach der Einführung allerdings nicht die gewünschte Performance. Sie begehen den Fehler, sich erst um die Softwarelösung und anschließend um Daten und Prozesse zu kümmern. Das ist problematisch, weil Daten

1. oft verteilt in Silos liegen, ergo unvollständig sind,
2. durch z.B. Umzüge, Sterbefälle, Orts- und Straßenumbenennungen altern,
3. durch Schreib-, Lese-, Hör- und Tippfehler falsch oder doppelt oder noch häufiger angelegt wurden.

Eine Software-Lösung und die damit erstellten Analysen sind immer nur so gut, wie die Qualität der in diesen Systemen bearbeiteten Daten

Wer im neuen System mit ungeprüften Daten arbeitet, wird aus den Schwierigkeiten nicht herauskommen, nach dem Motto „garbage in, garbage out“. Die Folgen sind:

1. Unzuverlässige kundenbezogene Prozesse.
2. Hohe Rückläuferquoten nach Mailings und Kampagnen.
3. Mangelnde Auswertungsmöglichkeiten von Kunden und Interessenten.
4. Unpräzise Analyseergebnisse.
5. Wenig vertrauenswürdige Handlungsempfehlungen.

Es ist, als würde man versuchen, beim Autofahren in dichtem Nebel nicht von der Straße abzukommen. Ein schwieriges Unterfangen. Vielleicht hat man Glück und erreicht sein Ziel. Manchmal landet man aber auch im Straßengraben.

Erst die Daten, dann der Prozess, dann die Lösung

Steht bei Marketing und/oder Vertrieb die Einführung einer neuen CRM- oder Marketing Automation-Lösung auf der Agenda, sollten zunächst die Daten, mit denen später gearbeitet werden soll, im Mittelpunkt stehen. Diese Daten müssen im Kontext des Kunden auf Knopfdruck ‚fit for use‘ sein, also die angemessene Beschaffenheit aufweisen, die für den jeweiligen Prozess und damit auch Anwendungszweck nötig ist. Daran orientieren sich die datenführenden Prozesse und später die Auswahl des Wunschsystems.

Die richtige Beschaffenheit beinhaltet, dass die Datenfelder zur Verfügung stehen, die benötigt werden. In CRM und Marketing Automation ist das etwa die E-Mail-Adresse eines Kunden oder Interessenten, aber auch Adresse, Kontaktdaten, Bestellhistorie und und und.

Neben den nötigen Datenfeldern muss auch Klarheit hinsichtlich zentraler Dimensionen der Datenqualität herrschen:

1. Vollständigkeit
2. Richtigkeit
3. Aktualität
4. Eindeutigkeit

Für Transparenz sorgt ein Data Assessment. Anschließend können die Daten im Data Cleansing initial bereinigt werden. So wird die Qualität in den vier Dimensionen hergestellt. Daten aus unterschiedlichen Quellen, müssen zu einem ganzheitlichen Datensatz, dem Golden Record, konsolidiert werden.

Erst wenn die Daten und anschließend die Prozesse optimiert sind, sollte man sich Gedanken über die eingesetzten Software-Lösungen machen

Sind die Daten qualitativ optimiert und somit vertrauenswürdig, kann man sich detailliert über die einzelnen Kundenprozesse Gedanken machen, wie z. B.:

1. Lead Prozess in der Marketing Automation
2. Nurture-Strecken und Datenflüsse
3. Angebotsprozess im CRM-System
4. Schritte und Prüfungen neuer Kunden im CRM-System
5. Dashboarding im CRM

Verlässliche Daten geben den Ausschlag

Um Ihren (potenziellen) Kunden auf Dauer zur richtigen Zeit am richtigen Ort über den richtigen Kanal auf das richtige Device maßgeschneiderte Informationen und Angebote zu liefern, gehen immer mehr Unternehmen dazu über, die Fülle an verfügbaren Kundendaten in entsprechende Business-Intelligence-Analysen einfließen zu lassen, um daraus Erkenntnisse für die zukünftige Ausrichtung ihrer Geschäftsprozesse zu gewinnen und darauf aufbauend neue Marketing- und Vertriebskampagnen zu starten. Die Ergebnisse dieser Kampagnen fließen in die Business-Intelligence-Analyse ein und sind außerdem Grundlage für strategische Geschäftsentscheidungen. Ähnliche Prozessketten werden in anderen Geschäftsbereichen wie der IT, der Logistik oder Finanzwesen eingesetzt.

Wenn man bedenkt, dass Predictive-Analytics-Analysen in der Regel auf gerade einmal zehn Prozent der im Unternehmen verfügbaren, historischen Daten aufsetzen, wird schnell klar, was dies für die Qualität dieser Daten bedeutet. Nur wenn die Daten dauerhaft sorgfältig gepflegt, vollständig, präzise und auf dem neuesten Stand sind, stimmen auch die Prognosen. Und nur wenn die Prognosen stimmen, funktionieren auch die weiteren Anpassungen bei den Prozessen bzw. die Planungen der Kampagnen sowie die Prozessentwicklung im CRM.

Nach dem Data Cleansing ist vor dem Data Cleansing

Datenqualität ist keine einmalige Initiative oder Aktion. Kundendaten brauchen ständige Aufmerksamkeit und Pflege, die Data Maintenance. Sie altern, etwa durch Umzüge, Sterbefälle, Hochzeiten, Straßen- und Ortsumbenennungen oder Eingemeindungen. CRM und Marketing Automation sind keine von der Umwelt hermetisch abgeriegelten Systeme. Vielmehr findet ein ständiger Datenaustausch statt. Daten werden gelöscht, neue Daten kommen hinzu, evtl. muss auch nach existierenden Kundendaten gesucht werden.

Damit es durch diese System-Durchbrüche nicht wieder zu einer schleichenden Verunreinigung der einmal so hochwertig optimierten Daten kommt, dafür sorgt eine Data Quality Firewall. Sie stellt sicher, dass vom Zeitpunkt der Dateneingabe (First Time Right) an nur bereinigte, verlässliche Daten in das System kommen, auch keine Datensätze mehr doppelt oder mehrfach angelegt werden.

Zuerst die Daten, dann der Prozess, dann die Software-Lösung: Die Erfolgsformel für Marketing und Vertrieb

Auch Predictive-Analytics-Prognosen hängen von der Qualität der verwendeten Daten ab. Erst wenn die Daten und anschließend die Prozesse optimiert, sprich aufeinander abgestimmt sind (fit for use), sollte sich ein Unternehmen Gedanken über die eingesetzten Software-Lösungen machen und bei Bedarf mögliche Alternativen zu den derzeit im Unternehmen verfügbaren Anwendungen evaluieren. Auf diese Weise – und nur auf diese Weise – ist sichergestellt, dass auch die Ertragsseite des Unternehmens optimal unterstützt wird, hinsichtlich Umsatzsteigerung, Kostenreduktion und Risikominimierung.